引言

在国家全面推行“数字中国”战略与“数字法治政府”建设的宏观背景下，以大数据、人工智能、物联网为代表的现代信息技术正以前所未有的深度与广度嵌入行政管理的各个领域，驱动着传统治理模式的深刻变革。行政处罚作为国家实施社会管理、维护公共秩序的重要手段，其裁量权的行使方式也正经历一场由技术赋能的自动化转型。从交通违法非现场执法到市场监管领域基于数据的预警与量罚，自动化决策系统正逐步承担起事实发现、行为判定乃至处罚建议等核心职能，其高效率、标准化与看似“去人化”的客观性特征，迎合了提升行政效能、统一执法尺度的现实需求。这种“算法行政”或“自动化裁量”的兴起，标志着行政处罚范式正从依赖执法人员个体经验与情境判断，转向依托预设代码与数据模型的系统化、程式化运作。

然而，与技术革新并行的是法律价值与原则的同步演进。2021年修订的《中华人民共和国行政处罚法》（以下简称新《行政处罚法》）第33条，被视为我国行政处罚归责原则的重大突破。该条不仅于第一款规定了“首违不罚”等体现包容审慎原则的制度，更在第二款明确规定：“当事人有证据足以证明没有主观过错的，不予行政处罚。法律、行政法规另有规定的，从其规定。”此规定在总则层面正式确立了行政处罚以“主观过错”为要件的一般归责原则，从根本上改变了过往实践中长期存在的“客观归责”倾向，将行为人的主观心理状态提升至决定处罚与否的核心地位。这一立法进步旨在实现“过罚相当”，贯彻“处罚与教育相结合”的原则，强化了行政处罚的正义内核与对人权的尊重。

由此，一个极具张力且亟待厘清的核心问题在理论与实践的交汇点浮现：旨在提升效率与一致性的行政处罚裁量自动化技术，如何能够有效容纳与实现新《行政处罚法》所强调的、需进行精细化、情境化、价值化判断的“主观过错”认定要求。这构成了本研究的逻辑起点。

一、行政处罚裁量自动化与主观过错认定的理论基础

（一）行政处罚裁量自动化的内涵界定与发展演进

行政处罚裁量自动化，是指行政机关在实施行政处罚过程中，运用计算机算法、数据分析模型等信息技术，部分或全部替代执法人员，自动完成事实认定、法律要件判断、处罚种类与幅度选择乃至最终决定生成等环节的一种新型行政活动方式。它并非单一的技术应用，而是一个涵盖不同自动化程度、技术路径与应用模式的“谱系性”概念，其兴起与发展深刻反映了技术理性向传统行政裁量领域渗透的过程。

行政处罚裁量自动化并非一个静态的、均质的概念，而是呈现为一个从“弱自动化”到“强自动化”的连续谱系。在谱系的一端，是裁量辅助系统。这类系统主要作为执法人员的“智慧外脑”，通过数据库检索、类案推送、量罚计算等功能，为裁量决策提供信息支持与参考建议，其核心在于“增强”而非“替代”人的判断。例如，系统自动提示类似案例的历史处罚幅度，或根据预设公式计算罚款数额，最终决定权仍牢牢掌握在执法人员手中。此类自动化可视为传统裁量活动的“效率工具”，并未根本改变“人为主体”的决策结构。

裁量自动化的勃兴，根植于强大的技术驱动力量。大数据技术提供了海量执法数据的采集、存储与分析能力，使得基于历史数据进行模式识别、风险预测成为可能。人工智能算法（特别是机器学习）的发展，使系统能够从数据中“学习”规律，不断优化预测和判断模型。物联网与感知技术（如高清摄像头、传感器）的普及，实现了违法行为信息的实时、自动捕获。这些技术共同构成了裁量自动化的基础设施，推动其从零星探索走向规模化应用。

从应用现状看，我国行政处罚裁量自动化呈现出领域广泛化、场景深入化的特点。在交通管理领域，自动化执法体系最为成熟，覆盖了违法抓拍、号牌识别、信息比对、文书生成等全链条。在市场监管领域，企业信用风险分类管理与“双随机、一公开”监管相结合，算法模型根据企业数据对其违法风险进行动态评级，直接影响抽查概率与监管强度，实质上介入了裁量前的筛选环节。在环境保护、城市管理等领域，通过视频智能分析、传感器数据监测进行自动预警与违法线索发现也已普遍应用。总体而言，自动化技术正从简单的“事实记录者”向复杂的“行为判断者”角色演进，但其在需要深度法律推理与价值判断的环节，如本案核心议题“主观过错”认定上，仍面临显著瓶颈。

（二）主观过错认定的法理基础与规范构造

主观过错作为归责的核心要素，其引入行政处罚领域并成为法定构成要件，标志着我国行政处罚理念从注重行为客观危害性向同时关注行为人主观可责性的深刻转变。这一转变不仅具有深厚的法理基础，亦形成了日益精密的规范构造。

在传统行政处罚理论与实践中，“客观违法论”曾长期占据主导地位。该观点倾向于认为，只要行为人实施了违反行政管理秩序的客观行为，且该行为不存在法定阻却事由，即可施加处罚，而无需探究行为人实施行为时的主观心理状态。这种实践模式源于对行政效率的追求以及对行政管理秩序维护的侧重，在特定历史阶段具有一定的现实合理性，但其忽视了处罚的正当性基础应与行为人的可非难性相联结，容易导致“客观归责”，有违公正原则。

随着法治进程的深入与权利保障意识的增强，责任主义原则逐渐被引入并强化。责任主义要求“无责任即无处罚”，强调国家制裁的施加必须以行为人具有主观可责性为前提。这一原则在刑事法领域根深蒂固，其精神也逐渐向行政法领域渗透。2021年新修订的《行政处罚法》第33条第2款明确规定：“当事人有证据足以证明没有主观过错的，不予行政处罚。”这一条款在总则部分的设立，具有里程碑式的意义。它并非完全否认在特定领域基于特别法规定适用客观责任或过错推定，而是在一般层面确立了主观过错作为行政处罚核心构成要件的原则性地位。其规范意旨在于，将处罚的正当性基础部分地锚定于行为人的主观意志，使行政处罚不仅仅是对秩序违反的简单反映，更是对具有可责难性的意志行为的法律评价，从而更贴合“过罚相当”与“处罚与教育相结合”的原则。这一演进过程，体现了我国行政处罚制度从单纯的管理工具向兼具制裁与教育功能的法治手段的转型。

“主观过错”并非一个笼统的概念，其在法律上被类型化为“故意”与“过失”两种基本形态，二者在可责难性上存在质与量的差异，其认定标准与区分具有重要的法律意义。故意，是指行为人明知自己的行为违反行政管理法规，并且希望或放任该违法结果发生的主观心理状态。其认定核心在于“明知”与“意欲”。“明知”涉及对行为性质、对象及可能后果的认识；“意欲”则表现为追求或放任结果发生的意志因素。在执法实践中，故意的认定往往需要结合客观行为进行推定，例如，多次重复实施相同违法行为、采取隐蔽手段、伪造材料等，通常可以作为推定存在直接或间接故意的依据。过失，则是指行为人应当预见自己的行为可能违反行政管理法规、产生危害后果，因为疏忽大意而没有预见，或者已经预见但轻信能够避免，以致发生违法结果的主观心理状态。其认定关键在于“注意义务的违反”与“预见可能性”。过失的成立，要求行为人负有特定的注意义务（通常源于法律法规、操作规程或一般社会管理要求），且其具有履行该义务的能力与可能性，却因疏忽或轻信而未予履行。过失根据注意义务违反的严重程度，又可进一步区分为重大过失与一般过失。重大过失通常指违反普通人都应尽到的起码注意义务，具有明显的可责难性；一般过失则指违反特定领域或身份所要求的较高注意义务。

区分故意与过失（尤其是重大过失与一般过失）具有至关重要的法律意义：首先，它直接影响处罚的轻重。过罚相当原则要求处罚的严厉性与过错的程度相匹配，故意通常应受重于过失的处罚，重大过失的处罚也应重于一般过失。其次，它影响特定制度的适用。例如，“首违不罚”等制度的设计初衷更多是针对过失或主观恶性较小的情形，对于故意违法，其适用空间应受到严格限制。最后，它关乎处罚的预防功能。对故意的制裁侧重于惩戒与威慑，而对过失的处置则更侧重于警示与教育，引导行为人未来履行应有的注意义务。自动化裁量系统若无法进行此种精细区分，将可能导致处罚结果与行为人的实际可责难性严重脱节，损及处罚的正当性与实效性。

二、主观过错认定在自动化裁量中的实践困境

自动化裁量系统在实际运行中，其所依赖的技术路径与主观过错认定的法律要求之间，产生了系统性的摩擦与错位。这种错位首先并集中地体现在事实查明这一初始且至关重要的环节。传统执法中，事实查明是一个开放的、能动的过程，尤其注重对行为人主观状态的调查与探知；而在自动化范式下，这一过程被压缩为对标准化、结构化客观数据的被动接收与处理，从而引发了一系列根源性的困境。

（一）事实查明层面的困境

主观过错作为一种内在的心理状态，其认定必须建立在充分、可靠的事实基础之上。然而，当前以数据感知为核心的自动化执法模式，在事实查明的源头即存在难以克服的局限性，导致用于判断主观要件的关键信息严重缺失。

自动化执法系统本质上是客观世界的记录仪。高清摄像头、环保传感器、网络爬虫等技术设备，能够精确、忠实地记录下行为的外在表现：一辆车的时速、一个企业的排放数值、一条网络交易的记录。然而，这些数据无论多么精确，都无法直接转化为证明行为人“故意”或“过失”的证据。法律上的过错是主观的、精神层面的状态，而机器捕获的是客观的、物理层面的痕迹。这种“主观状态信息缺失”是自动化事实查明的原生缺陷。

一个典型案例是曾引发广泛讨论的“为救人而闯红灯”事件。在此类情形中，交通电子眼只能记录下车辆闯红灯、或许还有超速的客观事实，并自动生成违法记录。然而，决定处罚合法性与正当性的关键事实——驾驶人是否存在救助危难之紧迫目的、其行为是否符合紧急避险之阻却违法性要件——却完全处于监控画面的盲区。若缺乏后续有效的人工介入与调查核实，自动化系统将基于不完整的事实，草率地推定为具有可罚性的普通违法。这不仅可能导致个案的不公，更暴露了自动化执法在应对复杂社会生活时“事实裁剪”的弊端。它只能提供一幅法律事实的“简笔画”，而遗漏了决定行为性质的、丰富的“背景色彩”。

为了弥补直接证据的缺失，系统开发者常试图通过算法建立客观行为模式与主观过错之间的统计关联，进行间接推定。例如，将“短期内同一地点多次违法”作为推定“明知故犯”或“重大过失”的规则。这种“算法推定”在追求效率的同时，却带来了“一刀切”的严重风险，它用普遍性概率抹杀了个体特殊性。实践中，曾出现有驾驶人在同一路口因相同标线指示不明而多次被电子警察抓拍处罚的案例。从算法逻辑看，“同一地点+重复行为”构成了一个清晰的“故意”或“漠视”模式。然而，后续调查却可能发现，该路口的交通标志设置确实存在歧义，或因道路施工发生了合法但未及时公示的变动。驾驶人的重复违法，并非源于主观恶意，而可能是出于对规则的理解困惑。自动化系统在预设的推定规则下，无法主动识别并纳入这类“合理抗辩情境”。其运行如同一部严密的逻辑机器，只要输入符合预设模式的数据，就会输出“存在过错”的结论，而对其背后千差万别的个人故事、认知局限或客观障碍视而不见。这种推定本质上是一种“有罪推定”的技术化身，与行政处罚应当秉持的公正、审慎原则相悖，极易造成误伤。

（二）法律适用与裁量建模的困境

法律上“过错”的核心在于对行为人意志状态的规范性评价，而算法模型的构建则依赖于对客观数据特征的识别与关联。这一根本性矛盾，导致自动化系统存在结构性设计偏差：它更擅长于发现和证实“有过错”的模式，却极难甚至无法主动、周全地验证“无过错”的抗辩。系统设计往往围绕着如何更有效地“抓取”违法展开，而对于《行政处罚法》第33条设定的反向证明责任——“当事人有证据足以证明没有主观过错的，不予行政处罚”，缺乏对等的、灵敏的响应机制。

这种困境在“杜宝良案”的现代翻版中尤为凸显。曾有多地出现车主在同一地点因相同交通标志标线设置不明确而累计数十次，甚至上百次违法，被系统自动连续处罚的案例。在著名的“佛山‘天量’罚单案”中，一高速岔路口因标线设计争议，导致超过62万车主在此压实线被抓拍。从算法逻辑看，每一次压实线都是一个清晰、独立的违法数据点，系统可据此高效地生成罚单，并基于“重复行为”模式推定驾驶人存在过失甚至故意。然而，该案的核心法律争议恰恰在于，当违法原因被广泛质疑源于道路设计缺陷时，驾驶人的主观过错是否成立，以及其过错程度如何？自动化系统完全无法将“道路设计合理性”这一可能阻却或减轻过错的关键变量纳入实时判断模型。它只能处理既定的、表面的违法行为数据，而无力探究背后可能存在的、足以否定过错要件的普遍性质疑。这使得系统在类似情况下，实际上扮演了一个“不审而判”的角色，将过错推定绝对化，架空了立法为当事人预留的“无过错”辩护空间。

三、完善行政处罚裁量自动化中主观过错认定的路径构建

面对自动化技术在主观过错认定中引发的理论与实践困境，消极规避并非出路，盲目推崇亦非正途。问题的核心在于如何通过系统的制度构建，为技术的应用划定法治边界、注入程序灵魂、明确责任归属，从而引导其从可能异化法律价值的“替代者”，转变为真正赋能依法行政的“辅助者”。本章旨在提出一套贯穿理念、实体、程序与制度的系统性路径，以推动形成合法、合理、可控的行政处罚裁量自动化新范式。

（一）理念重构与原则坚守

任何技术工具的运用，都必须服务于更高的法律原则与价值目标。在自动化裁量的浪潮中，首要任务便是回归行政处罚的法治初心，重构指导技术应用的基本理念，坚守不可逾越的原则底线。

责任主义与过罚相当，是《行政处罚法》为处罚权行使设定的核心宪法性原则，也是检验任何执法创新正当性的试金石。在自动化场景下，坚持这两项原则意味着必须实现从“以数据归责”向“以过错归责”的根本性回调。

首先，责任主义原则要求自动化系统的设计逻辑必须内嵌“过错探寻”而非“客观归责”的导向。系统不能仅仅因为识别到违法行为的外在模式（如超速、压线）就自动完成归责闭环。其算法模型与流程设计，必须为“过错要件的审查”留出结构性空间。例如，系统在处理一条违法记录时，其内部逻辑应包含对“是否存在可预见的抗辩事由线索”的筛查（如事故发生地附近是否有医院、违法时间是否在普遍认知的合理误差范围内等），并将此类线索作为触发人工复核的强提示，而非直接忽略。这要求从根本上改变当前部分系统以“违法事实匹配”为终点的设计思路，转向以“过错认定审查”为必要环节的复杂流程。

其次，过罚相当原则要求自动化裁量的结果输出必须与过错程度精细匹配，防止“裁量机械化”。算法模型不能仅根据违法行为的客观危害结果（如超速百分比、违法所得金额）进行简单的线性或阶梯式量罚。必须探索将能够反映主观状态的因素纳入量罚模型，即使这些因素的判断最终需要人工确认。例如，对于“初次违法且危害后果轻微”的情形，系统在计算罚款基数后，应自动适用法定减免规则，并提示执法人员对“及时改正”等情况进行核实。对于“历史守法记录良好”或“事后积极采取补救措施”等体现行为人主观悔过态度、降低其可责难性的情节，应设计为可以正向调节量罚结果的参数。唯有如此，自动化裁量才能超越僵化的计算，趋近于实质正义所要求的“相当性”。

必须彻底扬弃“机器替代人力”的片面效率观，转而确立“人机协同，以人为主”的基本理念。这一理念承认技术在信息处理、模式识别、规律总结方面的优势，但更强调人在价值判断、情境理解、伦理权衡和最终决断上的不可替代性。

“以人为主”则体现为一系列刚性的程序保障：人工介入不是可选项，而是必选项。应在制度层面确立“关键节点人工确认制”，规定凡涉及主观过错最终认定的法律文书，必须经执法人员签名确认方可生效。算法生成的任何关于过错的“推定”或“建议”，都必须以显著的、可回溯的方式呈现给执法人员，并附有支持该推定的主要数据依据，供其批判性审查。执法人员有权也有责任否决算法的建议，并根据自己的独立判断作出决定，且必须在文书中说明理由。这一理念旨在重建人在法律决策中的责任主体地位，防止技术借口导致的责任虚化。

（二）实体规则优化与算法模型改进

在确立了“人机协同”的基本理念后，需将理念转化为可操作的实体规则与算法设计准则。核心目标在于，通过规则与技术的双重优化，为执法人员提供一套既能利用数据智能、又牢牢锚定法律价值的精细化辅助工具，使主观过错的认定从“黑箱推定”走向“透明化、可辩论的论证”。

首先，指引应依据违法行为的类型与侵害法益的轻重，划分不同的过错认定严格等级。例如，对于涉及公共安全、食品药品安全等重大法益的违法行为，可确立更严格的过错推定标准与更有限的“无过错”抗辩范围；而对于违反技术性、管理性规定且危害轻微的行为，则可适用更宽松的认定标准，鼓励“首违不罚”“无过错不罚”的适用。其次，指引需以“要素列举+示例说明”的方式，将主观要件的认定转化为对一系列客观情形的审查。对于“故意”，可列举诸如“事前经过劝导或警告后再次实施”“采取刻意隐瞒、伪造手段”“行为明显违背基本常识或法定义务”等典型情形及相应证据要求。对于“过失”，则可构建“注意义务来源清单”（如法律法规、操作规程、行业标准、合理人标准），并明确判断“应注意、能注意而未注意”的考量因素，如行为人的专业身份、认知能力、客观环境紧急程度等。

这种指引并非提供僵化的公式，而是为执法人员（以及背后的算法设计者）提供一个结构化的审查清单与推理框架。它使得原本内隐的司法判断过程部分外部化、标准化，既约束了裁量的恣意，又为自动化系统识别关键证据节点、构建逻辑树提供了法律依据，是实现“人理解法”与“机识别据”相统一的基础工程。

四、结语

展望未来，行政处罚裁量自动化并非一个单纯的技术升级项目，而是一场关涉行政权力运行方式、公民权利保障形态与法治原则实现路径的深刻变革。其健康发展有赖于一场贯穿立法、执法、司法与学术研究的协同演进。在宏观层面，理念的共识至关重要。全社会，尤其是公共机构，需充分认识到技术在提升治理能力的同时，也带来了重塑权力关系与责任伦理的挑战。推动自动化裁量，必须以增进公共利益和个人权利保障为双重目标，杜绝任何形式的“技术利维坦”倾向。在制度层面，规则的供给亟待加强。国家层面应适时启动专门立法或制定高位的行政法规，为自动化行政决策设定统一的合法性框架、程序标准与问责原则。各部门、各地方应在这一框架下，结合领域特点，细化裁量基准的数字化转译规则与“人机分工”的操作规程。在实践层面，能力的建设是成败关键。这既包括执法人员理解、运用并监督技术工具的法律—科技复合能力，也包括技术研发人员理解法律逻辑、尊重程序价值的伦理—法律素养。同时，司法机关需发展出适配数字时代的审查方法论，能够有效审查“算法赋能”的行政行为，捍卫司法作为权利救济最后防线的尊严。

参考文献：

1. [1] 侯艳芳,陈望舒.生态环境领域行政执法权的配置对行刑衔接的影响及其应对[J].山东社会科学,2021(09):110-117.
2. [2] 谢红星.不予行政处罚的法理——围绕《行政处罚法》第33条而展开[J].广东社会科学,2022(02):241-251.
3. [3] 喻少如,姜文.论行政处罚的主观要件——以新修订《行政处罚法》第三十三条第二款为中心[J].湖南警察学院学报,2021,33(03):70-80.
4. [4] 黄先雄,孙学凯.过错内外：论行政处罚的主观责任与客观责任[J].中南大学学报(社会科学版),2022,28(04):18-30.
5. [5] 尹少成.论行政处罚中过罚相当原则的适用[J].法律适用,2025(07):77-91.
6. [6] 王春业.自动化行政中算法解释的困境及纾解[J].法学杂志,2024,45(03):75-86+2.
7. [7] 章剑生.行政处罚中的“主观过错”:定位、推定与例外——《行政处罚法》第33条第2款评释[J].浙江学刊,2023(03):219-229.
8. [8] 魏文杰,余洋.数字化时代行政裁量治理：价值、隐忧与法律规制[J].江西师范大学学报(哲学社会科学版),2024,57(03):93-99.